[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fI5x46IDn2MD2KpBozje1N-f4qXQ9sgL5Qzcb1bsPWAQ":208,"$fXjjtBKchhaLRNLR0yZ4SnM8yu1Tu88jLS-QIdxIGOkc":236,"atoms-agent-ai-mowi-zrobione-a-klient-nie-dostal-maila-co-poszlo-nie-tak":333},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":217,"reviewed_by":217,"reading_time_min":218,"pillar_id":219,"author_id":223,"draft_id":230},"8ca90f78-14b0-42b7-86a2-2295a677a9c3","agent-ai-mowi-zrobione-a-klient-nie-dostal-maila-co-poszlo-nie-tak","article","agenci-ai","dedec12a-5024-4aa0-9e97-c41a1def68be","2026-08-18T01:42:57.583Z","2026-10-23T03:06:59.759Z",null,10,{"id":220,"name":15,"slug":221,"color_token":222},"ec013b2c-e6c4-4c31-b1ec-9587c629a169","praktyczne-zastosowania","gold",{"display_name":224,"slug":225,"bio_short":226,"social_links":227},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":228,"x":217,"github":217,"website":229},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":231,"meta_description":232,"body_mdx":233,"word_count":234,"schema_type":235},"Fałszywy sukces agenta AI: mówi „zrobione”, a efektu nie ma","Fałszywy sukces agenta AI: dlaczego kod 200 nie potwierdza wysyłki, jak sprawdzać warunek po akcji i po co klucze idempotencji.","Komunikat agenta nie jest dowodem wykonania. Kod 200 potwierdza przyjęcie żądania, nie stan systemu docelowego. Fałszywy sukces powstaje wtedy, gdy nikt nie sprawdzi efektu niezależnie od samego agenta.\n\n## Dlaczego agent AI mówi „zrobione”, choć efektu nie ma?\n\nAgent ocenia własną akcję po odpowiedzi narzędzia. Odpowiedź „success” albo kod HTTP 200 mówi tylko, że serwer przyjął żądanie. Wpis w outbound logu, trwały identyfikator wiadomości i status dostarczenia to trzy osobne fakty. Agent ich nie widzi, jeśli nie zleci sprawdzenia ich mechanizmowi, który nie zależy od modelu [1][2].\n\nProblem nie leży w jakości modelu, tylko w podziale odpowiedzialności. Model decyduje, jakie narzędzie wywołać. System wokół modelu powinien rozstrzygać, czy operacja się udała. Gdy oba zadania trafiają do jednego komponentu, raport i rzeczywistość rozjeżdżają się po cichu. Podstawy takich przepływów opisuje hub [agenci AI i automatyzacja](\u002Fagenci-ai).\n\n## Które błędy najczęściej kończą się fałszywym sukcesem?\n\nNajczęściej te, które nie rzucają wyjątku: timeout bez potwierdzenia, rate limiting po stronie dostawcy, kolejka przyjmująca żądanie bez przetworzenia oraz funkcja zwracająca sukces bez wykonania pracy. W benchmarkach z 2026 roku fałszywy sukces zależał od architektury kontroli: w pojedynczych testach stanowił 45–48% nieudanych przebiegów, a przy niezależnym drugim potwierdzeniu spadał do 3% [1][2].\n\nCztery wzorce powtarzają się w praktyce najczęściej:\n\n- Zapis do bazy, po którym rekord nie istnieje. Endpoint zwraca 200, a transakcja została wycofana po timeoucie.\n- Wysyłka wiadomości, która zatrzymuje się w kolejce. System pocztowy przyjął żądanie i nie przetworzył go dalej.\n- Odpowiedź dostawcy obcięta przez rate limiting. Agent czyta pierwszy fragment i uznaje operację za zakończoną.\n- Funkcja narzędzia, która kończy się bez efektu. Wyjątek został przechwycony wyżej i zamieniony na pusty wynik.\n\nRetry pogarsza sytuację. Każda ponowna próba zaciera pierwotny błąd. Po pięciu próbach log pokazuje pięć odpowiedzi 200 i zero informacji o przyczynie. Do tego dochodzi ryzyko duplikatu.\n\n## Czym różni się ślad wykonania od potwierdzenia efektu?\n\nŚlad wykonania opisuje, co agent zrobił. Potwierdzenie efektu opisuje, co faktycznie stało się w systemie docelowym. Bez drugiego elementu nie da się odróżnić wykonanej pracy od pracy zadeklarowanej.\n\nŚlad obejmuje identyfikator przebiegu, listę wywołań narzędzi, argumenty, odpowiedzi API, błędy, timeouty, ponowienia i moment zakończenia procesu. Same logi modelu nie wystarczą, bo model widzi wyłącznie to, co sam przekazał. Badania nad wykrywaniem fałszywych raportów o zakończeniu proponują podejście oparte na „paragonach narzędzi”: każde wywołanie zostawia ślad, który da się sprawdzić niezależnie od treści odpowiedzi modelu [3].\n\nSkalę skutków pokazuje zdarzenie z 2026 roku. W kwietniu i maju opisano przypadek startupu PocketOS, w którym agent AI podczas debugowania usunął bazę danych i backupy. Operacja trwała 9 sekund, a usługi były niedostępne ponad 30 godzin [4][5]. To inny błąd niż niedostarczony e-mail, ale mechanizm jest ten sam: agent działał na podstawie własnego wyobrażenia o stanie systemu, a nikt nie sprawdził stanu docelowego przed kolejnym krokiem.\n\n## Jak sprawdzić, czy e-mail naprawdę wyszedł?\n\nTrzeba odczytać stan z systemu pocztowego, nie z odpowiedzi agenta. Dowodem jest wpis w outbound logu, trwały message_id, status dostarczenia oraz, przy wysokiej stawce, obecność wiadomości w skrzynce odbiorcy. Komunikat „wysłano” bez tych danych pozostaje deklaracją [3].\n\nKolejność kontroli wygląda tak:\n\n1. Zapis message_id po stronie systemu pocztowego.\n2. Odczyt statusu wiadomości po kilku sekundach.\n3. Porównanie liczby wiadomości w kolejce przed i po akcji.\n4. Kontrola po stronie odbiorcy tam, gdzie pomyłka kosztuje więcej niż opóźnienie.\n\nKontrola musi działać poza agentem. Jeśli ten sam model ma dostęp do narzędzia wysyłki i do narzędzia sprawdzającego, drugi krok może zostać pominięty. Osobny komponent uruchamiany po akcji zapisującej rozwiązuje problem. Szerzej o takich przepływach piszę w tekście [agentic workflow w produkcji](\u002Fposts\u002Fagentic-workflow-w-produkcji-kiedy-gotowy-control-plane-wystarczy-a-kiedy-musisz-budowac-wlasny).\n\n## Kiedy retry zamienia błąd w duplikat?\n\nWtedy, gdy operacja nie jest idempotentna. Timeout nie dowodzi, że wiadomość nie wyszła. Ponowienie bez sprawdzenia stanu może wysłać ją drugi raz, a przy płatności obciążyć klienta podwójnie.\n\nRozwiązanie ma trzy warstwy: klucz idempotencji przy każdym wywołaniu, unikalny indeks w bazie i trwały zapis wyniku przed ponowieniem. Ten sam klucz przy dwóch żądaniach oznacza jedną operację. Wzorzec opisano na przykładzie wysyłki wiadomości: przed ponowieniem system sprawdza rejestr, czy operacja o danym kluczu już się zakończyła [6]. O granicach kontroli nad agentem piszę w tekście [ORKA vs. chaos](\u002Fposts\u002Forka-vs-chaos-jak-nie-stracic-kontroli-nad-swoim-agentem-ai).\n\n## Jaki rodzaj weryfikacji wybrać?\n\nDeterministyczny check dla stanów, które da się odczytać z systemu. Model do oceny treści, której nie da się opisać regułą. Oba podejścia łączy jeden wymóg: kontrola musi być niezależna od tego samego przebiegu, który wykonał akcję.\n\n| Kryterium | Check deterministyczny | Weryfikacja modelem | Brak weryfikacji |\n|---|---|---|---|\n| Koszt | niski, jedno zapytanie | wyższy, zużywa tokeny | zerowy |\n| Niezawodność | wysoka, reguły są powtarzalne | zależy od promptu, model może halucynować | brak |\n| Czas | milisekundy do sekund | sekundy | brak |\n| Wykrywanie fałszywych sukcesów | wysokie dla znanych warunków | dobre dla treści nieustrukturyzowanych | żadne |\n\nKoszt weryfikacji jest drugorzędny wobec kosztu błędu w procesach o nieodwracalnym skutku: wysyłka oferty, płatność, zmiana danych klienta. W takich miejscach uzasadniona jest też akceptacja człowieka. Wdrożenia agentów sprzedażowych często kończą pracę na szkicu dokumentu, który zatwierdza opiekun [12].\n\n## Ile kosztują narzędzia i od czego zacząć?\n\nOd bezpłatnego planu i jednego procesu, w którym błąd jest widoczny. Gotowe platformy mają limity wystarczające do testu: Zapier daje 100 tasków miesięcznie, Make 1000 creditów, a n8n w wersji self-hosted nie pobiera opłaty za licencję [8][9][10].\n\nn8n w wersji 2.43 ukazał się 6 października 2026 roku. Wydanie udostępniło Browser Use wszystkim użytkownikom i rozszerzyło możliwości asystenta [7]. Cloud Starter kosztuje 20 USD miesięcznie przy rozliczeniu rocznym i obejmuje 2500 wykonań; wersja self-hosted jest bezpłatna, ale wymaga własnego serwera, aktualizacji i backupów [8]. To ceny oficjalne producenta, stan na październik 2026.\n\nZapier w planie Free oferuje 100 tasków miesięcznie i wyłącznie workflow dwukrokowe [9]. Make w planie Free daje 1000 creditów miesięcznie i dwa aktywne scenariusze [10]. ChatGPT agent na planie Plus ma 40 wywołań miesięcznie, a na planie Pro 400 [11]. Kwoty w USD i PLN zależą od kraju oraz sposobu rozliczenia.\n\nRynek rośnie szybko. Gartner prognozuje, że do 2028 roku 33% aplikacji firmowych będzie miało wbudowane agentic AI, wobec mniej niż 1% w 2024 roku. Samodzielna budowa pierwszego agenta to według StormIT wydatek rzędu 100–480 PLN miesięcznie [13]. O tym, gdzie agent nie powinien mieć dostępu, piszę w tekście [agent AI a firmowe faktury](\u002Fposts\u002Fagent-ai-przeglada-firmowe-faktury-zablokuj-to-w-20-minut).\n\n## Najczęstsze pytania\n\n### Czy kod HTTP 200 oznacza, że e-mail został wysłany?\n\nNie. Kod 200 potwierdza przyjęcie żądania przez serwer, który odpowiedział. Dostarczenie potwierdza dopiero wpis w systemie pocztowym, trwały message_id i status wiadomości. Bez odczytu tych danych agent ma wyłącznie własne przekonanie o sukcesie, a ono nie jest dowodem [1][3].\n\n### Jak wykryć fałszywy sukces w istniejącym przepływie?\n\nNajpierw wybierz jedną operację o widocznym skutku, na przykład wysyłkę oferty. Dopisz do niej kontrolę stanu docelowego uruchamianą po akcji i zapisuj wynik w trwałym rejestrze. Po tygodniu porównaj deklaracje agenta z zapisem kontroli. Rozbieżności wskażą miejsca, w których brakuje potwierdzenia efektu [2].\n\n### Czy dodatkowy krok weryfikacji spowalnia agenta?\n\nSpowalnia pojedyncze uruchomienie i zwiększa koszt. W procesach, w których błąd jest nieodwracalny, opóźnienie jest tańsze niż wysłanie błędnej oferty lub podwójne obciążenie klienta. W powiadomieniach marketingowych kontrola może być ograniczona do jednego zapytania o status [3].\n\n### Kiedy wystarczy gotowa platforma, a kiedy potrzebny jest własny mechanizm?\n\nGotowa platforma wystarczy, gdy proces jest krótki i korzysta z popularnych integracji. Własny mechanizm kontroli jest potrzebny, gdy operacja dotyczy pieniędzy, danych klienta albo dokumentu wychodzącego na zewnątrz. Wtedy zapis wyniku i idempotencja muszą należeć do systemu, nie do agenta [6].\n\n### Czy agent powinien wysyłać dokumenty bez akceptacji człowieka?\n\nW procesach sprzedażowych bezpieczniejszy jest tryb szkicu: agent przygotowuje dokument, a wysyłkę zatwierdza opiekun. Pełna autonomia ma sens tylko przy operacjach odwracalnych i objętych kontrolą stanu docelowego. Wdrożenia komercyjne często wybierają właśnie tryb szkicu [12].\n\n## Źródła\n\n1. [AI Agent Hallucination: Detecting False Completion Reports (TestMu AI, 2026)](https:\u002F\u002Fwww.testmuai.com\u002Flearning-hub\u002Fagent-action-hallucination)\n2. [AI Agent Says Done But Did Nothing: Detect False Success (Particula, 2026)](https:\u002F\u002Fparticula.tech\u002Fblog\u002Fdetect-silent-ai-agent-failure)\n3. [Tool Receipts, Not Zero-Knowledge Proofs: Practical Hallucination Detection for AI Agents (arXiv, 2026)](https:\u002F\u002Farxiv.org\u002Fhtml\u002F2603.10060v1)\n4. [Agent AI w 9 sekund wymazał wszystkie dane firmy. Eksperci wskazują, co poszło nie tak (eGospodarka.pl, 2026)](https:\u002F\u002Fwww.egospodarka.pl\u002F197169,Agent-AI-w-9-sekund-wymazal-wszystkie-dane-firmy-Eksperci-wskazuja-co-poszlo-nie-tak,1,12,1.html)\n5. [AI zniszczyło bazę danych startupu w 9 sekund (ISBtech, 2026)](https:\u002F\u002Fwww.isbtech.pl\u002F2026\u002F04\u002Fai-zniszczylo-baze-danych-startupu-w-9-sekund)\n6. [Your AI Agent Sent That Email Twice. Here's the Idempotency Fix (DEV Community, 2026)](https:\u002F\u002Fdev.to\u002Frakesh_kumar_04012c337851\u002Fyour-ai-agent-sent-that-email-twice-heres-the-idempotency-fix-3hli)\n7. [Release notes | Changelog (n8n Docs, 2026)](https:\u002F\u002Fdocs.n8n.io\u002Fchangelog\u002Frelease-notes)\n8. [n8n Plans and Pricing (n8n, 2026)](https:\u002F\u002Fn8n.io\u002Fpricing)\n9. [Plans & Pricing (Zapier, 2026)](https:\u002F\u002Fzapier.com\u002Fpricing)\n10. [Pricing & Subscription Packages (Make, 2026)](https:\u002F\u002Fwww.make.com\u002Fpricing)\n11. [ChatGPT agent (OpenAI Help Center, 2026)](https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F11752874-chatgpt-agent)\n12. [Agent AI do wsparcia sprzedaży B2B (Cognize, 2026)](https:\u002F\u002Fwww.cognize.pl\u002Fagent-ai-do-wsparcia-sprzedazy)\n13. [Agenci AI: kompletny przewodnik 2026 (StormIT, 2026)](https:\u002F\u002Fstormit.pl\u002Fagenci-ai-przewodnik)",1505,"Article",[237,243,249,255,261,267,273,279,285,291,297,303,309,315,321,327],{"id":238,"slug":239,"pillar_id":240,"draft_id":241},"fad1d7ad-8fa0-43af-b45a-a0be58875324","codex-w-operacjach-biznesowych-jak-zamienic-20-godzin-pracy-w-8-minut",{"color_token":222},{"title":242},"Codex w operacjach biznesowych: jak zamienić 20 godzin pracy w 8 minut",{"id":244,"slug":245,"pillar_id":246,"draft_id":247},"3711d3a5-d1b6-41f0-83bf-cede7e357934","codex-w-operacjach-jak-polskie-firmy-odzyskuja-15-godzin-tygodniowo",{"color_token":222},{"title":248},"Codex w operacjach: jak polskie firmy odzyskują 15 godzin tygodniowo",{"id":250,"slug":251,"pillar_id":252,"draft_id":253},"15de5316-98c5-4e40-bfd7-15db1ee47fd3","codex-w-sprzedazy-jak-polskie-zespoly-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":222},{"title":254},"Codex w sprzedaży: jak polskie zespoły automatyzują briefy i forecasty bez kodu",{"id":256,"slug":257,"pillar_id":258,"draft_id":259},"6f5c7a22-1999-4ee4-8abf-82ed26b88ca4","codex-w-sprzedazy-jak-polskie-firmy-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":222},{"title":260},"Codex w sprzedaży: jak polskie firmy automatyzują briefy i forecasty bez kodu",{"id":262,"slug":263,"pillar_id":264,"draft_id":265},"d0badd80-84fc-4a82-a928-d57869fbe3d7","wordpress-bez-kodowania-jak-zbudowac-strone-w-2-godziny-zamiast-20",{"color_token":222},{"title":266},"WordPress bez kodowania: jak zbudować stronę w 2 godziny zamiast 20",{"id":268,"slug":269,"pillar_id":270,"draft_id":271},"d65aeb1e-b7f5-4221-836c-4e751d758397","czy-twoje-narzedzia-ai-to-tylko-cyfrowy-smietnik-jak-przestac-placic-za-nieuzywane-zakladki",{"color_token":222},{"title":272},"Czy twoje narzędzia AI to tylko cyfrowy śmietnik? Jak przestać płacić za nieużywane zakładki",{"id":274,"slug":275,"pillar_id":276,"draft_id":277},"0c185ca8-0e4c-46c3-b06a-cb5c2d632be3","milion-zlotych-straty-przez-zmienne-z-llm-gdzie-analiza-przyczynowa-traci-grunt",{"color_token":222},{"title":278},"Milion złotych straty przez zmienne z LLM — gdzie analiza przyczynowa traci grunt",{"id":280,"slug":281,"pillar_id":282,"draft_id":283},"ab48fe44-3cec-4ee3-9c7a-e04587d706a4","codex-w-sprzedazy-jak-oszczedzic-10-godzin-tygodniowo-bez-pisania-kodu",{"color_token":222},{"title":284},"Codex w sprzedaży: jak oszczędzić 10 godzin tygodniowo bez pisania kodu",{"id":286,"slug":287,"pillar_id":288,"draft_id":289},"9a45d404-d037-405f-b9e1-4f649c1d6c72","twoj-agent-ma-72-skutecznosci-zmiana-modelu-tego-nie-naprawi",{"color_token":222},{"title":290},"LLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury",{"id":292,"slug":293,"pillar_id":294,"draft_id":295},"b77317b3-6449-4e20-bcc2-40177a5635c3","debata-agentow-ai-jak-10-modeli-wygenerowalo-guardrails-za-1-3-ceny",{"color_token":222},{"title":296},"Debata agentów AI: jak 10 modeli wygenerowało guardrails za 1\u002F3 ceny",{"id":298,"slug":299,"pillar_id":300,"draft_id":301},"21da4438-3fa2-41e0-a7f6-1768c752628e","twoj-pilot-ai-zachwycil-zarzad-dlaczego-nigdy-nie-trafi-na-hale-produkcyjna",{"color_token":222},{"title":302},"Dlaczego pilotaż AI trafia do produkcji, ale biznes go nie widzi — 5%",{"id":304,"slug":305,"pillar_id":306,"draft_id":307},"5fa11e1e-4f17-4996-9132-df455ed2fcbc","web-search-rag-pipeline-zanim-napiszesz-kolejny-scraper-przeczytaj-o-czterech-pulapkach",{"color_token":222},{"title":308},"Web scraping dla AI: czyszczenie HTML zmniejsza tokeny",{"id":310,"slug":311,"pillar_id":312,"draft_id":313},"9607dd0d-10bf-4236-86cb-f658bad984b8","twoj-agent-ai-wlasnie-zjadl-trucizne-i-nawet-o-tym-nie-wie",{"color_token":222},{"title":314},"Twój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym",{"id":316,"slug":317,"pillar_id":318,"draft_id":319},"b1b01fdd-dab1-42b9-89e6-e8e6cb382bf6","ile-kosztuje-godzina-szkolenia-ai-nowa-metoda-liczy-to-w-8-sekund",{"color_token":222},{"title":320},"Ile kosztuje godzina szkolenia AI? Nowa metoda liczy to w 8 sekund",{"id":322,"slug":323,"pillar_id":324,"draft_id":325},"1b8f6283-ddf2-45ca-93a2-589e667f48d8","kiedy-brak-llm-gateway-zaczyna-kosztowac-mapa-decyzji-dla-operatora",{"color_token":222},{"title":326},"Lokalne modele AI vs API w chmurze: kiedy się opłaca przejść na",{"id":328,"slug":329,"pillar_id":330,"draft_id":331},"1d9444f2-f6f3-45b5-9365-57b448334476","ai-w-sprzedazy-5-zadan-ktore-przestaja-zajmowac-czas-twojemu-zespolowi",{"color_token":222},{"title":332},"AI w sprzedaży: 5 zadań, które przestają zajmować czas twojemu zespołowi",[]]